Pourquoi les implémentations technologiques logistiques échouent — et comment y remédier

L'adoption par les prestataires logistiques de la technologie moderne est un cas d'application de solutions numériques à un monde analogique.

Par sa nature, la logistique est intensément physique : camions, remorques, navires, trains et entrepôts. Il n'y a rien de « virtuel » là-dedans — la seule chose qui opère « dans le cloud » est un avion — pourtant les prestataires se ruent vers des systèmes ne consistant qu'en bits et octets.

Leur impulsion est compréhensible. À l'ère de l'internet des objets, l'automatisation est la clé pour faire face au flux incessant de données, toutes orientées vers la satisfaction de demandes clients croissantes pour une livraison rapide et précise. À cette fin, des avancées comme le machine learning et l'intelligence artificielle rendent possible un degré de prise de décision « intelligente » bien au-delà de la portée des gestionnaires en chair et en os.

La technologie pour la logistique a tout son sens. Alors pourquoi tant d'implémentations échouent-elles à tenir leurs promesses ?

Ali Hasan Raza vient du monde physique. Il a commencé dans les opérations, y compris les poids lourds 18 roues. Une dizaine d'années dans sa carrière, il a commencé à migrer vers la technologie, incluant les systèmes de suivi et de traçabilité, et la surveillance du mouvement des camions. Aujourd'hui, il est co-fondateur et PDG de ThroughPut Inc., un fournisseur de logiciels qui s'appuie sur l'IA pour aider à soulager les goulets d'étranglement opérationnels.

En tant que leader d'une entreprise technologique, Raza voit la valeur de l'automatisation pour les prestataires logistiques. Mais il est aussi pleinement conscient du décalage qui accompagne sa mise en œuvre réelle. Simplement dit, la nature et la valeur des technologies numériques « dépendent de qui est l'utilisateur final ». Les camionneurs recherchent des solutions ponctuelles qui adressent les opérations quotidiennes. Les courtiers sont attirés par les places de marché électroniques qui relient les chargeurs aux fournisseurs de services physiques. Les grands détaillants comme Walmart Inc. et Amazon.com Inc. favorisent les systèmes qui permettent un flux d'approvisionnement de bout en bout.

Ainsi, alors que le mot « numérique » est englobant, il peut aussi être maddeningly vague, décrivant une large gamme de « solutions » pour des utilisateurs regroupés sous le terme tout aussi nébuleux de « logistique ».

Les grands systèmes orientés entreprise commencent avec un certain nombre d'hypothèses clés, note Raza. Ils sont conçus pour modéliser le monde réel, y compris les délais attendus, la capacité des véhicules, les exigences d'emballage, l'équipement de manutention et le mix de produits. Mais les systèmes de planification basés sur le numérique sont plus à l'aise lorsqu'ils travaillent avec un état stable, plutôt qu'un modèle transitoire. Et le monde de la logistique est décidément transitoire.

« Si vous travaillez dans la logistique et la supply chain, chaque jour change », dit Raza. « Vous n'avez pas de délais fixes et de capacité. Les goulets d'étranglement changent toujours, surtout pendant le COVID-19, où les entrepôts et usines ferment, nécessitant des changements d'optimisation de route complets. »

Dans un environnement chaotique, même les systèmes les plus soigneusement conçus finissent par ne pas refléter le flux réel des opérations. « C'est pourquoi nous voyons ces transformations numériques échouer », dit Raza. « La seule façon de construire quelque chose est de faire des hypothèses. Comme en maths, vous commencez avec des équations de base. Mais moins vous faites d'hypothèses, plus vous avez de liberté. »

L'IA et le machine learning n'ont-ils pas été conçus expressément pour faire face à une telle incertitude ? Raza convient que l'IA peut être employée pour sentir la demande réelle et le mix de produits, et planifier à rebours à partir de cela. « Elle peut fournir des recommandations en temps réel », dit-il, « mais quelqu'un doit encore les exécuter. » C'est à ce moment que les réalités du moment menacent d'envahir les plans les mieux conçus d'une machine « intelligente ».

L'automatisation totale d'une opération logistique est rare en tout cas, limitée aux rares entrepôts « lights-out » gérant des produits hautement spécialisés. Une telle configuration invite la possibilité de l'effet fouet (bullwhip effect), où de petites erreurs de calcul non corrigées le long de la supply chain peuvent s'amplifier et entraîner des échecs de service désastreux en aval.

L'ironie de la technologie est que son succès au sein d'une organisation dépend, en dernière analyse, des humains. Le problème, dit Raza, est souvent une question de culture d'entreprise.

« La technologie ne peut que faire aller plus vite ce que vous faites déjà », dit-il. « Si vous n'avez pas une culture axée sur les données pour commencer, et n'avez jamais rien fait avec vos données, vous n'allez ajouter aucune valeur. »

La formation — des gens, pas des machines — est d'une importance égale. Toute organisation qui cherche à arracher d'anciens processus sans former adéquatement le personnel au nouveau est vouée à voir son initiative technologique coûteuse échouer. Les dirigeants, quant à eux, doivent être réalistes sur leur retour sur investissement, même s'ils font face à la pression des investisseurs pour montrer des profits trimestriels sans cesse croissants. Dans un tel scénario, l'adoption d'offres software-as-a-service peut aider à alléger les coûts initiaux.

Il n'y a aucun doute que le monde physique de la logistique a besoin de capacités virtuelles, sous forme de systèmes automatisés et prédictifs, pour tirer le meilleur parti de ses dépenses d'investissement substantielles. Mais la manière dont ces « solutions » sont appliquées peut faire la différence entre le succès et l'échec. Comme le dit Raza : « La technologie est un facilitateur — pas une solution. »